Мультиколлинеарность презентация

Август 3, 2022

Главная
Математика
Мультиколлинеарность

Содержание

2. 2 Три переменные отображаются в виде линейных графиков выше. Рассматривая данные, невозможно определить, вызваны ли изменения
3. 3 Численно Y увеличивается на 5 в каждом наблюдении. X2 изменяется на 1. МУЛЬТИКОЛЛИНЕАРНОСТЬ X2 X3
4. 4 Следовательно, истинное соотношение могло бы быть Y = 1 + 5X2. МУЛЬТИКОЛЛИНЕАРНОСТЬ Y X2 Y
5. 5 Однако также можно видеть, что X3 увеличивается на 2 в каждом наблюдении. МУЛЬТИКОЛЛИНЕАРНОСТЬ X2 X3
6. 6 Следовательно, истинная связь могла бы быть Y = 3,5 + 2,5X3. Y = 3.5 +
7. 7 Эти две возможности являются частными случаями Y = 3,5 - 2,5p + 5pX2 + 2,5
8. 8 Нет никакого способа, чтобы регрессионный анализ или любая другая техника могли определять истинную связь из
9. 9 Что произойдет, если вы попытаетесь запустить регрессию, когда существует точная линейная зависимость между объясняющими переменными?
10. 10 Мы исследуем, используя модель с двумя объясняющими переменными, показанными выше. [Примечание: термин «нарушение» теперь включен
11. Выражение для коэффициента множественной регрессии b2 показано выше. Мы заменим X3, используя его связь с X2.
12. Во-первых, мы заменим термины, выделенные. МУЛЬТИКОЛЛИНЕАРНОСТЬ 12
13. Мы сделали замену. МУЛЬТИКОЛЛИНЕАРНОСТЬ 13
14. Далее, термины, выделенные сейчас. МУЛЬТИКОЛЛИНЕАРНОСТЬ 14
15. Мы сделали замену. МУЛЬТИКОЛЛИНЕАРНОСТЬ 15
16. Наконец, этот термин. МУЛЬТИКОЛЛИНЕАРНОСТЬ 16
17. Опять же, мы сделали замену. МУЛЬТИКОЛЛИНЕАРНОСТЬ 17
18. Оказывается, что числитель и знаменатель равны нулю. Коэффициент регрессии не определен. МУЛЬТИКОЛЛИНЕАРНОСТЬ 18
19. Необычно, что существует точная взаимосвязь между объясняющими переменными в регрессии. Когда это происходит, это типично, потому
20. 20 Однако часто бывает, что существует приблизительная взаимосвязь. Мы будем использовать уравнение заработной платы в качестве
21. 21 Когда вы связываете заработную плату с учебой и опытом работы, она, если часто разумно предположить,
22. 22 Стандартный способ разрешить это - включить EXPSQ, квадрат EXP, в спецификацию. Согласно гипотезе о снижении
23. 23 Мы вписываем эту спецификацию с помощью набора данных 21 МУЛЬТИКОЛЛИНЕАРНОСТЬ . reg EARNINGS S EXP
24. 24 Школьный компонент результатов регрессии мало влияет на включение термина EXPSQ. Коэффициент S указывает, что дополнительный
25. 25 МУЛЬТИКОЛЛИНЕАРНОСТЬ Аналогично, стандартная ошибка 0.22 в спецификации без EXPSQ также мало изменилась, и коэффициент остается
26. 26 МУЛЬТИКОЛЛИНЕАРНОСТЬ В спецификации без EXPSQ коэффициент EXP значителен на уровне 0,1 процента. Когда добавляется EXPSQ,
27. 27 МУЛЬТИКОЛЛИНЕАРНОСТЬ Это связано главным образом с тем, что стандартная ошибка увеличилась с 0,21 до 0,68,
28. 28 МУЛЬТИКОЛЛИНЕАРНОСТЬ В исходной спецификации 95-процентный доверительный интервал для коэффициента EXP составлял от 0,57 до 1,40,
30. Скачать презентацию

2
Три переменные отображаются в виде линейных графиков выше. Рассматривая данные, невозможно определить, вызваны

ли изменения в Y изменениями X2, изменениями в X3 или совместно изменениями X2 и X3.

МУЛЬТИКОЛЛИНЕАРНОСТЬ

3
Численно Y увеличивается на 5 в каждом наблюдении. X2 изменяется на 1.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
X2 X3 Y X2

X3 Y
изменение от предыдущего наблюдения
10 19 51
11 21 56 1 2 5
12 23 61 1 2 5
13 25 66 1 2 5
14 27 71 1 2 5
15 29 76 1 2 5

4
Следовательно, истинное соотношение могло бы быть Y = 1 + 5X2.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Y
X2
Y = 1

+ 5X2 ?

5
Однако также можно видеть, что X3 увеличивается на 2 в каждом наблюдении.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
X2 X3 Y X2

X3 Y
изменение от предыдущего наблюдения
10 19 51
11 21 56 1 2 5
12 23 61 1 2 5
13 25 66 1 2 5
14 27 71 1 2 5
15 29 76 1 2 5

6
Следовательно, истинная связь могла бы быть Y = 3,5 + 2,5X3.
Y = 3.5

+ 2.5X3 ?

МУЛЬТИКОЛЛИНЕАРНОСТЬ

7
Эти две возможности являются частными случаями Y = 3,5 - 2,5p + 5pX2

+ 2,5 (1 - p) X3, которые соответствовали бы соотношению для любого значения p.

МУЛЬТИКОЛЛИНЕАРНОСТЬ

Y = 3.5 – 2.5p + 5pX2 + 2.5(1 – p)X3

8
Нет никакого способа, чтобы регрессионный анализ или любая другая техника могли определять истинную

связь из этого бесконечного множества возможностей, учитывая данные выборки.

МУЛЬТИКОЛЛИНЕАРНОСТЬ

Y = 3.5 – 2.5p + 5pX2 + 2.5(1 – p)X3

9
Что произойдет, если вы попытаетесь запустить регрессию, когда существует точная линейная зависимость между

объясняющими переменными?

МУЛЬТИКОЛЛИНЕАРНОСТЬ

10
Мы исследуем, используя модель с двумя объясняющими переменными, показанными выше. [Примечание: термин «нарушение»

теперь включен в истинную модель, но это не имеет никакого значения для анализа.]

МУЛЬТИКОЛЛИНЕАРНОСТЬ

Выражение для коэффициента множественной регрессии b2 показано выше. Мы заменим X3, используя его

связь с X2.

МУЛЬТИКОЛЛИНЕАРНОСТЬ

Во-первых, мы заменим термины, выделенные.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
12

Мы сделали замену.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
13

Далее, термины, выделенные сейчас.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
14

Мы сделали замену.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
15

Наконец, этот термин.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
16

Опять же, мы сделали замену.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
17

Оказывается, что числитель и знаменатель равны нулю. Коэффициент регрессии не определен.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
18

Необычно, что существует точная взаимосвязь между объясняющими переменными в регрессии. Когда это происходит,

это типично, потому что в спецификации есть логическая ошибка.

МУЛЬТИКОЛЛИНЕАРНОСТЬ

20
Однако часто бывает, что существует приблизительная взаимосвязь. Мы будем использовать уравнение заработной платы

в качестве иллюстрации.

МУЛЬТИКОЛЛИНЕАРНОСТЬ

. reg EARNINGS S EXP
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 2, 497) = 35.24
Model | 8735.42401 2 4367.712 Prob > F = 0.0000
Residual | 61593.5422 497 123.930668 R-squared = 0.1242
-----------+------------------------------ Adj R-squared = 0.1207
Total | 70328.9662 499 140.939812 Root MSE = 11.132
----------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | 1.877563 .2237434 8.39 0.000 1.437964 2.317163
EXP | .9833436 .2098457 4.69 0.000 .5710495 1.395638
_cons | -14.66833 4.288375 -3.42 0.001 -23.09391 -6.242752
----------------------------------------------------------------------------

Слайд 21

21
Когда вы связываете заработную плату с учебой и опытом работы, она, если часто

разумно предположить, что влияние опыта работы подлежит уменьшению.

МУЛЬТИКОЛЛИНЕАРНОСТЬ

Слайд 22

22
Стандартный способ разрешить это - включить EXPSQ, квадрат EXP, в спецификацию. Согласно гипотезе

о снижении доходности, коэффициент EXPSQ должен быть отрицательным.

МУЛЬТИКОЛЛИНЕАРНОСТЬ

Слайд 23

23
Мы вписываем эту спецификацию с помощью набора данных 21
МУЛЬТИКОЛЛИНЕАРНОСТЬ
. reg EARNINGS S EXP

EXPSQ
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 3, 496) = 23.63
Model | 8793.741 3 2931.247 Prob > F = 0.0000
Residual | 61535.2252 496 124.062954 R-squared = 0.1250
-----------+------------------------------ Adj R-squared = 0.1197
Total | 70328.9662 499 140.939812 Root MSE = 11.138
----------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | 1.869284 .2241882 8.34 0.000 1.428809 2.30976
EXP | 1.427853 .6814907 2.10 0.037 .0888882 2.766817
EXPSQ | -.0328379 .047896 -0.69 0.493 -.126942 .0612662
_cons | -15.7658 4.57953 -3.44 0.001 -24.76347 -6.76813
----------------------------------------------------------------------------

Слайд 24

24
Школьный компонент результатов регрессии мало влияет на включение термина EXPSQ. Коэффициент S указывает,

что дополнительный год обучения увеличивается почасовой заработок на 1,88 доллара. В спецификации без EXPSQ было 1,87.

МУЛЬТИКОЛЛИНЕАРНОСТЬ

. reg EARNINGS S EXP EXPSQ
----------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | 1.869284 .2241882 8.34 0.000 1.428809 2.30976
EXP | 1.427853 .6814907 2.10 0.037 .0888882 2.766817
EXPSQ | -.0328379 .047896 -0.69 0.493 -.126942 .0612662
_cons | -15.7658 4.57953 -3.44 0.001 -24.76347 -6.76813
----------------------------------------------------------------------------

. reg EARNINGS S EXP
----------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | 1.877563 .2237434 8.39 0.000 1.437964 2.317163
EXP | .9833436 .2098457 4.69 0.000 .5710495 1.395638
_cons | -14.66833 4.288375 -3.42 0.001 -23.09391 -6.242752
----------------------------------------------------------------------------

Слайд 25

25
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Аналогично, стандартная ошибка 0.22 в спецификации без EXPSQ также мало изменилась, и коэффициент

остается очень значительным.

Слайд 26

26
МУЛЬТИКОЛЛИНЕАРНОСТЬ
В спецификации без EXPSQ коэффициент EXP значителен на уровне 0,1 процента. Когда добавляется

EXPSQ, это значимо только на уровне 5 процентов.

Слайд 27

27
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Это связано главным образом с тем, что стандартная ошибка увеличилась с 0,21 до

0,68, что свидетельствует о значительной потере точности.

Слайд 28

28
МУЛЬТИКОЛЛИНЕАРНОСТЬ
В исходной спецификации 95-процентный доверительный интервал для коэффициента EXP составлял от 0,57 до

1,40, что уже достаточно свободно. Теперь это от 0.09 до 2.76.

Мультиколлинеарность презентация

Содержание

2Три переменные отображаются в виде линейных графиков выше. Рассматривая данные, невозможно определить, вызваны

3Численно Y увеличивается на 5 в каждом наблюдении. X2 изменяется на 1.МУЛЬТИКОЛЛИНЕАРНОСТЬ X2 X3 Y X2

4Следовательно, истинное соотношение могло бы быть Y = 1 + 5X2.МУЛЬТИКОЛЛИНЕАРНОСТЬYX2Y = 1

5Однако также можно видеть, что X3 увеличивается на 2 в каждом наблюдении.МУЛЬТИКОЛЛИНЕАРНОСТЬ X2 X3 Y X2

6Следовательно, истинная связь могла бы быть Y = 3,5 + 2,5X3.Y = 3.5

7Эти две возможности являются частными случаями Y = 3,5 - 2,5p + 5pX2

8Нет никакого способа, чтобы регрессионный анализ или любая другая техника могли определять истинную

9Что произойдет, если вы попытаетесь запустить регрессию, когда существует точная линейная зависимость между

10Мы исследуем, используя модель с двумя объясняющими переменными, показанными выше. [Примечание: термин «нарушение»

Выражение для коэффициента множественной регрессии b2 показано выше. Мы заменим X3, используя его

Во-первых, мы заменим термины, выделенные.МУЛЬТИКОЛЛИНЕАРНОСТЬ12

Мы сделали замену.МУЛЬТИКОЛЛИНЕАРНОСТЬ13

Далее, термины, выделенные сейчас.МУЛЬТИКОЛЛИНЕАРНОСТЬ14

Мы сделали замену.МУЛЬТИКОЛЛИНЕАРНОСТЬ15

Наконец, этот термин.МУЛЬТИКОЛЛИНЕАРНОСТЬ16

Опять же, мы сделали замену.МУЛЬТИКОЛЛИНЕАРНОСТЬ17

Оказывается, что числитель и знаменатель равны нулю. Коэффициент регрессии не определен. МУЛЬТИКОЛЛИНЕАРНОСТЬ18

Необычно, что существует точная взаимосвязь между объясняющими переменными в регрессии. Когда это происходит,

20Однако часто бывает, что существует приблизительная взаимосвязь. Мы будем использовать уравнение заработной платы

21Когда вы связываете заработную плату с учебой и опытом работы, она, если часто

22Стандартный способ разрешить это - включить EXPSQ, квадрат EXP, в спецификацию. Согласно гипотезе

23Мы вписываем эту спецификацию с помощью набора данных 21МУЛЬТИКОЛЛИНЕАРНОСТЬ. reg EARNINGS S EXP

24Школьный компонент результатов регрессии мало влияет на включение термина EXPSQ. Коэффициент S указывает,

25МУЛЬТИКОЛЛИНЕАРНОСТЬАналогично, стандартная ошибка 0.22 в спецификации без EXPSQ также мало изменилась, и коэффициент

26МУЛЬТИКОЛЛИНЕАРНОСТЬВ спецификации без EXPSQ коэффициент EXP значителен на уровне 0,1 процента. Когда добавляется

27МУЛЬТИКОЛЛИНЕАРНОСТЬЭто связано главным образом с тем, что стандартная ошибка увеличилась с 0,21 до

28МУЛЬТИКОЛЛИНЕАРНОСТЬВ исходной спецификации 95-процентный доверительный интервал для коэффициента EXP составлял от 0,57 до

Похожие презентации

2
Три переменные отображаются в виде линейных графиков выше. Рассматривая данные, невозможно определить, вызваны

3
Численно Y увеличивается на 5 в каждом наблюдении. X2 изменяется на 1.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
X2 X3 Y X2

4
Следовательно, истинное соотношение могло бы быть Y = 1 + 5X2.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Y
X2
Y = 1

5
Однако также можно видеть, что X3 увеличивается на 2 в каждом наблюдении.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
X2 X3 Y X2

6
Следовательно, истинная связь могла бы быть Y = 3,5 + 2,5X3.
Y = 3.5

7
Эти две возможности являются частными случаями Y = 3,5 - 2,5p + 5pX2

8
Нет никакого способа, чтобы регрессионный анализ или любая другая техника могли определять истинную

9
Что произойдет, если вы попытаетесь запустить регрессию, когда существует точная линейная зависимость между

10
Мы исследуем, используя модель с двумя объясняющими переменными, показанными выше. [Примечание: термин «нарушение»

Во-первых, мы заменим термины, выделенные.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
12

Мы сделали замену.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
13

Далее, термины, выделенные сейчас.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
14

Мы сделали замену.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
15

Наконец, этот термин.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
16

Опять же, мы сделали замену.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
17

Оказывается, что числитель и знаменатель равны нулю. Коэффициент регрессии не определен.
МУЛЬТИКОЛЛИНЕАРНОСТЬ
18

20
Однако часто бывает, что существует приблизительная взаимосвязь. Мы будем использовать уравнение заработной платы

21
Когда вы связываете заработную плату с учебой и опытом работы, она, если часто

22
Стандартный способ разрешить это - включить EXPSQ, квадрат EXP, в спецификацию. Согласно гипотезе

23
Мы вписываем эту спецификацию с помощью набора данных 21
МУЛЬТИКОЛЛИНЕАРНОСТЬ
. reg EARNINGS S EXP

24
Школьный компонент результатов регрессии мало влияет на включение термина EXPSQ. Коэффициент S указывает,

25
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Аналогично, стандартная ошибка 0.22 в спецификации без EXPSQ также мало изменилась, и коэффициент

26
МУЛЬТИКОЛЛИНЕАРНОСТЬ
В спецификации без EXPSQ коэффициент EXP значителен на уровне 0,1 процента. Когда добавляется

27
МУЛЬТИКОЛЛИНЕАРНОСТЬ
Это связано главным образом с тем, что стандартная ошибка увеличилась с 0,21 до

28
МУЛЬТИКОЛЛИНЕАРНОСТЬ
В исходной спецификации 95-процентный доверительный интервал для коэффициента EXP составлял от 0,57 до